水稻叶面积指数的高光谱遥感估算模型.doc

遥感学报第 8 卷 第 1 期 2004 年 1 月vol . 8 , no . 1j ournal of remote sensin g j an1 , 2004 文章编号 : 100724619 (2004) 0120081208水稻叶面积指数的高光谱遥感估算模型王秀珍1 ,2 ,黄敬峰2 ,李云梅3 ,王人潮2(11 浙江气象科学研究所 ,浙江 杭州 310004 ; 21 浙江大学 农业遥感与信息技术研究所 ,浙江 杭州 310029 ;31 南京师范大学地理科学学院 ,江苏 南京 210097)摘 要 : 通过不同氮素营养水平的水稻田间试验 ,采用单变量线性与非线性拟合模型和逐步回归分析 ,用1999 年试验数据为训练样本 ,建立水稻 lai 的高光谱遥感估算模型 ,用 2000 年试验数据作为测试样本数据 , 对其精度进行评价和验证 。结果表明 ,高光谱变量与 lai 之间的拟合分析中 ,蓝边内一阶微分的总和与红边 内一阶微分的总和的比值和归一化差植被指数是最佳的变量 。关键词 : 水稻 ; lai ;高光谱遥感 ;估算模型中图分类号 : tp79文献标识码 : a光谱数据用于提取 lai 信息的水平2 。刘伟 东 等3 通 过 相 关 分 析 , 研 究 早 稻 和 晚 稻 lai 与群体光谱反射率 、反射率的一阶微分光谱的 相关关系 。本文利用高光谱数据的各种变换形式 :植被指数 ,蓝 、黄 、和红边 (三边) 光学参数 ,绿色反射峰 (绿峰) ,红光吸收低谷 (红谷) 等位置变量 ,以及基 于光谱面积的变量估算水稻 lai 。这种特点是利用 常规多光谱变量估算 lai 所没有的3 。1引言lai 是 生 态 系 统 研 究 中 最 重 要 的 结 构 参 数 之一 ,它是 估 计 多 种 植 冠 功 能 过 程 的 重 要 参 数 。lai可为植冠表面最初能量交换描述提供结构化定量信息1。许多作物冠层和自然植物群落的 lai 研究结果表明 ,随着 lai 的提高 ,近红外 (nir) 的光谱反射率亦随即升高 ,并在 lai 达到 6 左右趋于饱和 。而 在红光和短波红外 ( swir) 反射率急剧下降 。这主 要是 由 于 可 见 光 区 内 的 色 素 ( 主 要 是 叶 绿 素 ) 和swir 区内的水吸收 。人们为了有效利用遥感数据 测算 lai 这个植冠结构参数 ( 即提高 lai 的光谱饱和状态) ,构造了许多植被指数 ,著名的有比值植被 指数 ( rvi) 和归一化差值被指数 ( ndvi) 。在这两个 vi 中均利用了 nir 和红光波段 。由于受大气 、土壤背景 、仪器定标及植被本身光化学过程变化等内外因素的影响 ,各种 vi 和 lai 的关系具有地域性和时 效性 。利用高光谱遥感数据波段窄和连续的特点 ,可以构建许多对生物物理参数 ( 如 lai) 相对敏感的vi ,或将常规的 vi 指数变为连续的形式 ,即与光谱 导数成一定比例 。这种由高光谱数据产生的 vi 实 质上精细地表达了植被叶绿素 、水 、氮等生物化学物 质吸收及细胞结构多次散射的波形 ,有助于提高高2211试验研究方法田间试验设计试验地点 : 位于 3014n ,12010e ,浙江大学华家池校区的试验农场内 。试验时间 :1999 年 6 月 25 日播种 ,7 月 24 日移 栽 ,2000 年 6 月 20 日播种 ,7 月 10 日移栽 。试验 处 理 : 供 试 品 种 是 秀 水 63 ; 试 验 占 地011hm2 ,小区面积 4m 3 5m ,4 个重复 ,随机排列 ;5 个 氮素 水 平 处 理 , 分 别 施 纯 氮 量 0 , 45 , 135 , 225 , 315 kg/ hm2 ,即人为地造成严重缺氮 、缺氮 、适量氮 、过量氮 、严重过量氮 ( 用 n 1 , n 2 , n 3 , n 4 , n5 表示) , 分别 在返青期 、拔节期和抽穗始期按 60 % ,30 % ,10 %施入 ,钾肥在拔节期和抽穗始期分两次等量均匀施入 各小区 ; 行 、株 距 为 0114m 0117m , 田 埂 宽 为 25 收稿日期 : 2002207223 ;修订日期 : 2003201207基金项目 : 国家自然科学基金资助项目 (40171065 和 40271078) 资助 。作者简介 : 王秀珍 (1961 ) ,女 ,副研究员 ,浙江省气象科学研究所 ,博士 ,2001 年毕业于浙江大学 ,从事农业遥感与信息技术应用研究 ,已发表了 40 多篇论文 ,出版专著 2 本 。email :wxz0516 sina . com30cm ,田间管理按大田管理方式进行 。212光谱测定方法积大小直接影响作物的受光 ,叶面积的变化制约着农田小气候 ,是作物群体结构合理性的重要标志之 一 。测定叶面积的准确与否 ,直接影响到对作物合 理受光群体结构的研究和光能利用率及净同化率的 计算等生长特征量 。目前 ,普遍采用的方法有 :面积(系数) 法 、重量法 。面积 (系数) 法是对样本叶片 ,直接测量长度 ( l ) 和 宽度 ( w) ,长度从叶尖量到叶基 ,宽度是量该叶最宽处 , 用长度与宽度之积 ,乘以校正系数 ( k) 0183 ,以平方厘米 为单位 ,计算单位土地面积上的绿色叶面积的倍数即叶面积指数 ( lai) 。由于校正系数随不同的作物 、品 种 、生育阶段 、环境条件 、叶形变化均可不同 ,需要进行 校正 。通常水稻 、小麦和谷子等披针形叶片的 k 取值 为 01834 ,其基本推算原理是 ,披针形叶片通常在叶长2/ 3 处收尖 ,因而可把该叶近似地分割成一个矩形和一 个等腰三角形 ,其面积 ( s ) 为 :使用由美国分析光谱仪器公司 (analytical spectraldevices 公司) 制造的 asd 野外光谱辐射仪 (asdfieldspec) ,其光谱范围为 350 1050nm ,色散为 1141nm ,光谱 分辨率是 3nm ,有 512 个波段 ,视场角为 25。选择晴朗无风天气 ,分别在水稻分蘖 、拔节 、孕穗 、抽穗和乳熟期测定水稻冠层光谱 ,每次测定时间 在北京时 10 时 11 时 45 分 。传感器探头垂直向下 , 与冠层顶相距约 0175m 左右 ,观测范围直径为 0133m。每个小区内不同点测定 10 次 ,取平均值作为该小区 的光谱反射值 ,每个小区测定前 、后都立即进行白板 校正 。冠层光谱测定后 ,取样测定水稻 lai 。213叶面积测定叶片是作物进行光合作用的主要器官 ,它的面表 1 高光谱特征参数的定义the def initions of hyperspectral para meters used in this studyingta ble 1基于高光谱位置变量基于高光谱面积变量基于高光谱植被指数变量rg/ rr绿峰反射率 ( rg) 与红谷反射率 ( rr) 的比值( rg - rr) / ( rg + rr)绿峰反射率 ( rg) 与红谷反射率 ( rr) 的归一化值sdr/ sdb红边内一阶微分的总和 ( sdr) 与蓝边内一阶微分的总和 ( sdb) 的比值sdr/ s dy红边内一阶微分的总和 ( sdr) 与黄边内一阶微分的总和 ( sdy) 的比值( sdr - sdb) / ( sdr + sdb)红边内一阶微分的总和 ( sdr) 与蓝边内一阶微分的总和 ( sdb) 的归一化值( sdr - s dy) / ( sdr + sdy)红边内一阶微分的总和 ( sdr) 与黄边内一阶微分的总和 ( sdy) 的归一化值sdb蓝边内一阶微分的总和蓝边波长范围内一阶微分波段值的总和sdy黄边内一阶微分的总和黄边波长范围内一阶微分波段值的总和sdr红边内一阶微分的总和红边波长范围内一阶微分波段值的总和db蓝边内最大的一阶微分值蓝边覆盖 490 530nm , db 是蓝边内一阶微分光谱中的最大值bdb 对应的波长b 是 db 对应的波长位置 ( nm)dy黄边内最大的一阶微分值黄边覆盖 550 582nm , dy 是黄边内一阶微分光谱中的最大值ydy 对应的波长y 是 dy 对应的波长位置 ( nm)dr红边内最大的一阶微分值红边覆盖 680 780nm , dr 是红边内一阶微分光谱中的最大值rdr 对应的波长即红边位置r 是 dr 对应的波长位置 ( nm)rg绿峰反射率rg 是波长 510 560nm 范围内最大的波段反射率grg 对应的波长g 是 rg 对应的波长位置 ( nm)rr红谷反射率rr 是波长 640 680nm 范围内最小的波段反射率o红谷反射率对应的波长o 是 rr 对应的波长位置 ( nm)变 量定 义描 述第 1 期王秀珍等 :水稻叶面积指数的高光谱遥感估算模型83= 23 l 3 w + 1a3 白纸上 ,并标注处理号 。满页后 ,立刻复印 ,获取叶面积图 ,否则叶片会很快变干 ,发生卷曲 。(4) 将叶面积图扫描入计算机 ,在计算机上接11比 例 用 gis 软 件 矢 量 化 跟 踪 图 斑 轮 廓 , 计 算 面 积 。这种方法准确 、快速 ,但需要复印机 、扫描仪 、计 算机和专业软件 。3 l 3 ws36= 53 l 3 w 0183 3 l 3 w(1)6显然 ,这种方法存在一定的误差 ,如果取样量大 ,这种方法量算工作量大 。 重量法是利用全部叶片的面积 ( a ) 与部分叶面积 ( a) 之比等于全部叶片的重量 ( w ) 与部分叶片的重量 ( w) 之比的原理测定 。即 :214高光谱数据特征参数及其提取方法常见的 高 光 谱 数 据 特 征 参 数1 包 括 从 原 始 光 谱 、一阶微分光谱提取的基于高光谱位置变量 、基于 高光谱面积变量 、基于高光谱植被指数变量 3 种类 型共 19 个特征参数 (表 1) 。aw ,wa = a 3( 2)=a ww测定时只要从待测叶片中截取一小部分易于测量面积的叶片就可用重量法测定叶面积 。因此重量法适 用于任何形状特异的叶片 。但因叶片各部分的叶脉 分布不均匀 ,也因叶片生长过程中随环境差异致使 叶肉厚薄不均匀 ,重量法会产生一定误差 。为此 ,用 重量法测定叶面积时 ,一是取样叶片应包括不同层次 ,二是取样叶片应注意均匀 ,一般需横贯全叶 。 由于上述两种方法均为抽样量算法 ,在本试验中 ,提出第三种测定叶面积的方法一计算机测算图 斑面积法 ,其主要步骤如下 :(1) 准备工作 : 将双面胶等间距 ( 约 20cm) 固定 粘在 a3 白纸上 ,根据叶片数量 ,准备数张这样的 a3 白纸 。(2) 在观测小区上连根整穴取样 ,放入盛有水 的水筒里 ,避免植株体内水分蒸发 ,影响测定 ,运回 实验室 。(3) 将整株绿叶沿叶耳剪下 ,叶片平铺 、固定在3 结果讨论311水稻叶面积指数 ( lai) 的遥感估算模型31111 水稻叶面积指数 ( lai) 与原始光谱变量的相关分析由图 1 可见 ,波长小于 733nm ,光谱反射数据与 lai 数据呈负相关 , 相关系数约在 670nm 处达到最 大 ,形成一个波谷 ; 波长大于 735nm ,光谱反射数据与 lai 数据呈正相关 ,相关系数约在 780nm 处达到 最大 ,形成一个平台 ,约在 930nm 附近 ,相关系数迅 速 下 降 , 且 波 动 大 。波 长 处 于 37619 732nm 和770 927nm ,光谱反射数据与 lai 之间的相关系数 达到了极显著性检验水平 ,波长在 671121nm 处存在 着最大相关系数 ,为 - 01875 ,这个波长处于红光区 ,5与其他研究者使用的光谱区域 682nm 相近 。图 1 lai 与水稻冠层原始光谱变量的相关系数图fig. 1 correlogram of spectra of rice canopy to lai31112lai 与高光谱特征变量的相关分析由表 2 可见 , lai 与高光谱变量之间的相关系 数以红谷反射率 、绿峰反射率和红边波长最大 ,达到了极显著性检验水平 ,与红谷反射率 、绿峰反射率为负相关 ,与红边波长为正相关 。红谷反射率和绿峰 反射率的比值和归一化植被指数与 lai 之间的相关型 。lai 与 db ,b , dy ,y , dr ,g ,o , s dy 的相关关系未达到显著性检验水平 ,说明 lai 的变化并没有 引起上述高光谱特征变量的变化 。关系也达到极显著性检验水平 , sdr 和 sdb 以及其比值和归一化植被指数与 lai 之间的相关系数达到 极显著性检验水平 ,可用其变量建立估算 lai 的模表 2 lai 与高光谱特征变量之间的相关系数 ( n = 25)the correlation coefficient between lai and the hyperspectral variablestable2图 2 以 sdr/ sdb (a) 和 ( sdr - sdb) / ( sdr + sdb) ( b) 为自变量的 lai 估算的线性或抛物线模型拟合结果比较fig. 2 comparison of the results of lai estimated models using linear and quadratic models of sdr/ sdb(a) and ( sdr - sdb) / ( sdr + sdb) ( b) which were independents光谱变量类型相关系数 ( r)光谱变量类型相关系数 ( r)基于光谱位置变量基于光谱面积变量db- 012883sdb- 015229 3 3b013338sdy012446dy011688sdr016271 3 3y013164基于 vi 变量dr013088rg/ rr- 01781 3 3r017385 3 3( rg - rr) / ( rg + rr)01798 3 3rg- 0 . 7235 3 3sdr/ sdb0 . 9021 3 3g- 0 . 1922sdr/ sdy- 0 . 7323 3 3rr- 0 . 8359 3 3( sdr2sdb) / ( sdr + sdb)0 . 8402 3 3o0 . 1769( sdr2s dy) / ( sdr + s dy)- 0 . 5074 3 3第 1 期王秀珍等 :水稻叶面积指数的高光谱遥感估算模型85y = aexp ( bx )(7)指数函数 :312lai 的高光谱遥感估算模型式中 , y 代表 lai 拟合值 , x 代表光谱变量 , a 和 b 为拟合系数 。其目的是要从这些模型中选择最适合光 谱变量与 lai 建立关系的模型 。逐步回归分析用逐步回归分析法确定那些与 lai 相关的光谱 变量时 ,输入变量是测定的 lai 和光谱变量值 ,输出结果是一系列包含不同光谱变量的多元线性方程及相应的确定系数 ( r2 ) 和 f 检验值 。回归分析模型 为 :从表 2 中 筛 选 出 相 关 系 数 较 大 的 单 变 量 r ,rg , rr , 以 及 rg/ rr , ( rg - rr) / ( rg + rr) , sdr/sdb , ( sdr -sdb) / ( sdr + sdb) 使用线性与非线性回归技术建立估算 lai 的模型 。单变量线性与非线性拟合模型我们使用了 5 个单变量线性与非线性的拟合模型 ,包括 :(3)(4)( 5)(6)简单线性函数 :对数函数 :抛物线 :一元三次函数 :y = a + bxy = a + b 3 ln ( x)y = a + bx + cx2y = a + bx + cx2 + dx3y = a0 + a1 x1 + a2 x2 + ai xi +(8)其中 y 为根据所有自变量 xi 计算出的估计值 , a0 为常数项 , ai 为 y 对应于 xi 的偏回归系数 。表 3 lai 与高光谱特征变量的线性和非线性回归分析ta ble 3 the regression analyse of linear and non2linear bet ween lai with the hyperspectral varia bles变量模型abcdr2fr线性- 68 . 9980 . 09830 . 54527. 59对数- 464 . 7070. 90530 . 54327. 36抛物线- 33 . 5456 . 8 e - 0 . 50 . 54727. 82一元三次887 . 390- 1 . 88731 . 3 10 - 0. 60 . 58715. 64指数5 . 2 10 - 150 . 04640 . 64040. 82rg线性4. 7140- 38 . 1570 . 52325. 27对数- 4 . 4472- 2 . 39080 . 61035. 92抛物线8. 4880- 171 . 471055 . 510 . 68223. 62一元三次9. 9383- 248 . 412327 . 76- 6556 . 70 . 68515. 21指数5. 8369- 15 . 9740 . 48421. 55rr线性4. 3649- 88 . 1300 . 69953. 34对数- 5 . 1508- 1 . 93250 . 78282. 35抛物线5. 7689- 229 . 682931 . 340 . 77437. 59一元三次8. 2396- 610 . 1420156 . 4- 2314700 . 81230. 25指数5. 2839- 39 . 3480 . 73463. 61rg/ rr线性- 1 . 66801 . 47020 . 60935. 80对数- 1 . 82724 . 21420 . 63039. 16抛物线- 6 . 72445 . 0756- 0 . 62370 . 64019. 56一元三次- 6 . 72445 . 0756- 0 . 62370 . 64019. 56指数0. 34870 . 66470 . 65643. 91( rg - rr) / ( rg + rr)线性- 2 . 615610. 89160 . 63740. 30对数6. 33354 . 99190 . 64541. 72抛物线- 6 . 718529. 0379- 19 . 5790 . 64520. 02一元三次- 6 . 718529. 0379- 19 . 5790 . 64520. 02指数0. 21765 . 01340 . 71156. 66sdr/ sdb线性0. 13920 . 27480 . 814100. 5对数- 2 . 29962 . 30050 . 77478. 71抛物线0. 28050 . 24160 . 00170 . 81448. 16一元三次1. 9714- 0 . 37320 . 0696- 0 . 00230 . 82132. 02指数0. 88750 . 11160 . 70855. 81sdr - sdb线性- 5 . 843810. 86570 . 70655. 21sdr + sdb对数4. 63727 . 91330 . 67647. 88抛物线22 . 7596- 66 . 11551 . 21740 . 80746. 12一元三次6. 88840- 39 . 74641 . 35620 . 81247. 61指数0. 06474 . 65380 . 68349. 52相关系数通过 0101 极显著性检验水平 , f 检验值最大 。上述各变量回归模型比较 ,以 sdr/ sdb 变量的 线性模型和 ( sdr - sdb) / ( sdr + sdb) 变 量 的 抛 物 线模型为最佳 (图 2 (a) 和 2 ( b) ) 。由于光谱变量数量大于 lai 的样本数 ,且它们之间不是互相独立的 ,而是相互有关的 ,从多个光谱 变量中选择对因变量 y 方差贡献最大的一个光谱 变量 ,同时这个光谱变量对因变量的作用是显著的 , 保持每一步得到的回归方程中的光谱变量都是重要 的 ,必须在每步选入光谱变量以后 ,对当步的回归方程中的所有光谱变量再作一次显著性检验 ,及时剔 除不重要的光谱变量 。由表 3 可见 ,由回归分析得到的全部 r2 值通过0101 极显著性检验水平 。对 r , rg/ rr , ( rg - rr) /( rg + rr) 变 量 而 言 , 最 适 合 的 拟 合 模 型 为 指 数 模 型 ,其相关系数通过 0101 极显著性检验水平 , f 检验值最大 ; 对 rg , rr 变量而言 ,最适合的拟合模型为对数模型 ,其相关系数通过 0101 极显著性检验水 平 ,f 检验值最大 : sdr/ sdb 和 ( sdr - sdb) / ( sdr +sdb) 变量而言 , 最适合 的拟合模型为线性模型 , 其运用逐步回归分析技术探讨 512 个原始光谱 、一阶微分光谱与 lai 间的关系 ( 表 4) 。对原始光谱而言 , 第一个被选中的波段 671 . 21nm ,具有最大相 关系数能解释样本间 lai 方差的76 . 6 % ; 选择 2 个 变量 ( 波 段) 进 入 方 程 , 能 解 释 样 本 间 lai 方 差 的86 . 9 % ;而选择 6 个变量 (波段) 进入方程 ,基本上可 以解释全部方差 。一阶微分光谱和 lai 值间的关系(表 4) ,经逐步回归分析 ,第一个被选中的波段 ( 具 有最大相关系数) 能解释样本间 lai 方差的86 . 7 % ; 只选择 2 个变量 ( 波段) 进入方程 ,实际上可以解释 全部方差 。可见用一阶微分逐步回归分析技术探讨 高光谱变量和 lai 值间的关系更加简洁 。表 4 lai 与高光谱反射数据和一阶微分之间的逐步回归分析结果ta ble 4 the results of stepwise multiple regression bet ween lai with the varia bles of hyperspectral and the f irst derivative spectray = 0. 139 + 0. 2748 3 ( sdr/ sdb)y = - 5. 8438 + 10. 8657 3 ( sdr - sdb) / ( sdr + sdb) y = 51. 217 3 ( sdr - sdb) / ( sdr -( 9)4水稻 lai 的高光谱遥感估算模型(10)sdb) 2 -精度分析66. 115 3 ( sdr - sdb) / ( sdr - sdb) + 22. 76( 11)y = - 1. 741 + 0. 202 3 ( sdr/ sdb) + 5. 253 3以 1999 年试验数据作为训练样本 ,用 2002 年试验数据作为测试样本对建立的估算模型进行精度 分析 。从表 5 可知 , lai 高光谱估算模型的拟合 r2 通过 0 . 01 极显著性检验水平 , 以 ( rg/ rr , rg - rr) /( rg + rr) 为变量的模型预测 r2 未通过显著性检验 水平 , 其他变量的模型预测 r2 都通过极显著性检验水平 ,其中以红边 、蓝边内一阶微分的总和构成的 比值与归一化植被指数为变量的模型预测精度达到 最高 ,且预测 r2 达到了极显著性检验水平 。 ( rg - rr) / ( rg + rr) (12)这 4 个模型都可用于估算 lai ,其中 : ( 9) , ( 10)式为线性函数 ,便于使用 ,因此 ,可认为是 lai 光谱 估算的最佳模型 。从图 3 可直观看出基于红边 、蓝边内一阶微分的总和构成的比值与归一化植被指数 为变量的模型预测效果 。光谱反射 ( r)步数波长/ nm r2一阶微分 ( d r)步数波长/ nm r21 671. 21 0 . 7662 845. 24 0 . 8693 761. 76 0 . 9454 651 . 4 0 . 9685 903. 25 0 . 9806 470. 29 0 . 9841 743. 37 0 . 8672 434. 92 0 . 925第 1 期王秀珍等 :水稻叶面积指数的高光谱遥感估算模型87表 5 高光谱估算 lai 模型的拟合 r2 与预测 r2 比较ta ble 5 comparison of simulated r2 with predicted r2 of models estimated lai with models using varia bles of hyperspectra拟合 ( r2)预测 ( r2)类型水稻高光谱 lai 估算模型0. 640 3 30. 610 3 30. 699 3 30. 782 3 30. 656 3 30. 711 3 30. 814 3 30. 706 3 30. 807 3 30 . 604 3 30 . 4138 3 30 . 5198 3 30 . 5209 3 30 . 17080 . 17870 . 802 3 30 . 8121 3 30 . 8146 3 3线性与非线性回归模型y = 5 . 2 e - 15 3 exp (0. 0464 3 r)y = - 4. 4472 - 2 . 3908 3 ln ( rg) y = 4 . 3649 - 88. 13 3 rry = - 5. 1508 - 1 . 9325 3 ln ( rr)y = 0 . 3487 3 exp (0 . 6647 3 ( rg/ rr) )y = 0 . 2176 3 exp 5 . 0134 3 ( rg - rr) / ( rg + rr) y = 0 . 139 + 0. 2748 3 ( sdr/ sdb)y = - 5. 8438 + 10 . 8657 3 ( sdr - sdb) / ( sdr + sdb) y = 51. 217 3 ( sdr - sdb) / ( sdr - sdb) 2 - 66 . 115 3 ( sdr - sdb) / ( sdr - sdb) + 22. 760. 766 3 30 . 5428 3 31y = 4 . 456 - 85 . 510 3 ( r671. 21)归图 3基于红边 、蓝边内一阶微分的总和构成的比值与归一化植被指数为变量的模型 lai 预测值与实测值比较fig. 3 comparison of measured lai with perdicted lai of models using the vegetation intices variables of sum of 1stderivative value within red edge ( sdr) and the blue edge ( sdb)系数通过 0 . 01 极显著性检验水平 , f 检验值最大 。5结论rg , rr 变量回归而言 ,最合适的拟合模型为对数模型 ,其相关系数通过 0 . 01 极显著性检验水平 , f 检 验值最 大 。运 用 逐 步 回 归 技 术 建 立 估 算 lai 的 模 型 ,蓝边内一阶微分的总和与红边内一阶微分的总和的比值和归一化差植被指数以及绿峰最大反射率( rg) 和红谷最小反射率 ( rr) 归一化植被指数以及sdr 是最佳的变量 。原始光谱和一阶微分光谱分别 选出波段 671 . 21nm 处的光谱和 743 . 37nm 处的一阶 微分光谱 。通过精度分析 , lai 高光谱估算模型的拟合 r2通过 0 . 01 极显著性检验水平 ,以红边内一阶微分的 总和 、蓝边内一阶微分的总和为变量的模型预测 r2 达到极显著性检验水平 ,认为是 lai 光谱估算的最高光谱变量与 lai 之间的拟合分析中 ,原始光谱 、一阶微分光谱和一些高光谱特征变量如红边波 长 (r) 、绿 峰 最 大 反 射 率 ( rg ) 和 红 谷 最 小 反 射 率 ( rr) 以及它们的组合 ,是高光谱独有的特点 。在水稻 lai 拟合中 ,检查“三边”光谱区域面积 的有效性相比之下 ,红边内一阶微分的总和最有效 ,其次是蓝边内一阶微分的总和 ,而黄边内一阶微分 的总和是无效的 。使用单变量线性与非线性回归技术建立估算lai 模型 , 对 r , rg/ rr 和 ( rg - rr) / ( rg + rr) 变 量回归而言 ,最适合的拟合模型为指数模型 ,其相关逐 步 回模 型y = - 0. 414 + 0 . 07122 3 sdr - 0 . 206 3 sdb 0. 881 3 30 . 5313 3 3y = - 1. 741 + 0 . 202 3 ( sdr/ sdb) + 5 . 253 3 ( rg - rr) / ( rg + rr) 0. 904 3 30 . 65972 y = 1 . 436 - 71 . 553 3 ( r671. 21) + 8 . 572 3 ( r8455. 24) 0. 869 3 30 . 5417 3 33 y = 0 . 688 - 32 . 08 3 ( r671. 21) + 62. 009 3 ( r845. 24) - 57 . 401 3 ( r761. 76) 0. 945 3 30 . 4578 3 31 y = 3 . 3078 ( d r743. 37) - 0 . 5363 0. 867 3 30 . 4494 3 32 y = - 0. 5363 + 3 . 3078 ( d r743. 37) - 8 . 696 ( d r434. 92) 0. 925 3 30 . 4279 3 3lai ,ch. d and hyperspecrta data j . j ournal of remote sensing ,2000 ,4 (4) :279 283 刘伟东 ,项月琴 ,郑兰芬等. 高光谱数据 与水稻叶面积指数及叶绿素密度的相关分析 j . 遥感学报 ,2000 ,4 (4) :279 283 .china meteorological administration. agro2meteorological observation criterion ,beijing : meteorological press ,1993 . 中国气象局 ,农业 气象观测规范m. 北京 :气象出版社 ,1993 .prasad s t , ronald b s , eddy d p. hyperspectral vegetation in2 dices and their relationship with agricultural crop characteristicsj remote sensing environment , 2000 , 71 : 158 182 .佳模型 。参 考 文 献( references)1pu r l , cong p. hyperspectral remote sensing and its applications4m. beijing : higher education press ,2000 .浦瑞良 ,宫鹏. 高光谱遥感及其应用m. 北京 :高等教育出版社 ,2000 .vane , g. et al . terrestrial imaging spectrometry : current status ,25rem